A*-DWA ilə təkmilləşdirilmiş lazer SLAM bağ naviqasiya sistemi, qlobal yol planlaşdırılmasında təkmilləşdirilmiş A* alqoritmini, real vaxtda yerli maneədən yayınmada Dynamic Window Approach (DWA) üsulunu, mövqeləndirmədə AMCL-ni və xəritələşdirmədə GMapping-i birləşdirən kənd təsərrüfatı robotu naviqasiya arxitekturasıdır. Hongsen Wang və həmkarları bu inteqrasiya olunmuş sistemi xüsusilə armud bağlarında ənənəvi A* əsaslı naviqasiyanın maneələrə lazım olduğundan artıq yaxınlaşması, kəskin və lazımsız dönüşlər yaratması, hərəkətli maneələrə reaksiya verə bilməməsi və enerji sərfini artırması problemlərini aradan qaldırmaq məqsədilə hazırlamışlar. Sistem qlobal yolu əvvəlcədən optimallaşdırarkən, LiDAR ilə aşkarlanan gözlənilməz maneələr qarşısında DWA vasitəsilə yerli marşrutu dəyişdirir və maneə keçildikdən sonra robotu yenidən qlobal yola yönəldir.

Təkmilləşdirilmiş A* planlaşdırıcısında üç əsas dəyişiklik edilmişdir: maneə künclərinə qonşu yüksək riskli düyünlərin aradan qaldırılması, lazımsız aralıq düyünlərin çıxarılması və maneə sıxlığının evristik xərc funksiyasına əlavə edilməsi. Yaradılmış yol daha sonra Bresenham keçiləbilənlik yoxlaması, kubik splayn interpolyasiyası və əyrilik məhdudiyyəti optimallaşdırmasından ibarət üçmərhələli proseslə hamarlanmışdır. DWA tərəfində isə istiqamətlənmə, maneəyə məsafə, xətti sürət, proqnoz üfüqü və sürət ayırdetməsi kimi parametrlər tırtıllı bağ robotunun kinematikasına və 0.8–1.2 m təhlükəsizlik məsafəsi tələbinə uyğun tənzimlənmişdir.

Matlab, Gazebo və Rviz əsaslı simulyasiyalarla “Xinli No. 7” armud bağındakı real robot təcrübələri təklif olunan inteqrasiya edilmiş yanaşmanın araşdırılan şəraitdə ənənəvi A* ilə müqayisədə daha təhlükəsiz və sabit naviqasiya təmin etdiyini göstərmişdir. Sahə təcrübələrində enerji sərfi nisbəti %23-dən %13-ə enmiş, orta yanal yayınma 0.021 m-dən 0.011 m-ə azalmış və dönüş zamanı müşahidə olunan ən yüksək yanal yayınma 0.40 m-dən 0.14 m-ə endirilmişdir. Maneədən yayınma təcrübələrində istifadə edilən ssenarilərdə A*-DWA %100 uğur göstərmiş və təxminən 1.05–1.12 m minimum təhlükəsizlik məsafəsini qorumuşdur.

Bu nəticələr A*-DWA yanaşması üçün tədqiqatda istifadə olunan armud bağı, robot platforması, LiDAR sistemi və sınaq şəraitində əldə edilmişdir. Nəticələr müxtəlif kənd təsərrüfatı sahələrində, fərqli robotlarda və ya bütün ətraf mühit şəraitində avtomatik olaraq eyni performansın əldə ediləcəyi demək deyil. Tədqiqatın mühüm məhdudiyyətlərindən biri qavramanın əsasən LiDAR-a söykənməsidir.

Lazer SLAM bağ robotlarında necə istifadə olunur?

Lazer SLAM mobil robotun LiDAR ölçmələrindən istifadə edərək ətraf mühitin xəritəsini qurduğu anda həmin xəritədə öz mövqeyini də qiymətləndirməsinə imkan verən naviqasiya yanaşmasıdır. Bu tədqiqatda LiDAR ətrafdakı həndəsi quruluşu qavrayır, GMapping ikiölçülü doluluq xəritəsini yaradır, AMCL robotun xəritədəki mövqeyini qiymətləndirir, A*-DWA qatı izlənəcək yolu hesablayır və hərəkətə nəzarət qatı hesablanmış sürət və istiqamət əmrlərini tırtıllı platformaya tətbiq edir.

Bağ naviqasiyasının əsas problemi

Meyvə bağı tamamilə açıq ərazi deyil. Ağac cərgələri, budaqlar, meyvə yeşikləri, işçilər, kənd təsərrüfatı maşınları və yerə düşmüş alət və ya budaqlar robot üçün maneə yarada bilər. Bundan əlavə, ağac cərgələri arasında robotun manevr edə biləcəyi sahə məhduddur.

Tədqiqatın aparıldığı armud bağında cərgələrarası məsafə təxminən 4 m, bitkilərarası məsafə 1.5–2 m və sahə kənarındakı boşluq 3–5 m-dir. Bu quruluş mühit nizamlı görünsə də, onu naviqasiya baxımından yarı-strukturlaşdırılmış edir.

Klassik A* alqoritmi başlanğıc və hədəf arasında qlobal yol tapa bilər. Lakin əvvəlcədən yaradılmış xəritəyə əsaslandığından, sonradan ortaya çıxan insan və ya meyvə yeşiyi kimi dinamik yaxud xəritədə olmayan maneələri təkbaşına idarə edə bilmir. DWA isə robotun mövcud sürətini, dönmə qabiliyyətini və yaxınlıqdakı maneələri nəzərə alaraq real vaxtda yerli qərar verə bilər; ancaq yalnız yerli məlumatla hərəkət etdikdə dalanlara və ya yerli minimumlara ilişə bilər.

Tədqiqatçıların əsas yanaşması bu iki üsulun bir-birinin zəif cəhətlərini tamamlamasıdır: A* ümumi hədəfə çatdıracaq qlobal yolu müəyyən edir, DWA isə yol üzərində gözlənilməz maneə yarandıqda qısamüddətli yerli yayınma manevri yaradır.

Sistem arxitekturası

Tədqiqatda naviqasiya sistemi beş əsas qat kimi nəzərdən keçirilə bilər:

1. Aparat təminatı: tırtıllı mobil robot və LiDAR.
2. Qavrama: ətrafdakı obyektlərin lazer skanı ilə müəyyənləşdirilməsi.
3. Xəritələşdirmə və mövqeləndirmə: GMapping və AMCL.
4. Yol planlaşdırılması: təkmilləşdirilmiş A* və DWA-nın birgə işi.
5. Hərəkətə nəzarət: xətti və bucaq sürəti əmrlərinin robot şassisinə tətbiqi.

Robotun LiDAR-ı hesablama yükünü azaltmaq məqsədilə naviqasiya zamanı önə doğru 180° qavrama sahəsindən istifadə edəcək şəkildə konfiqurasiya edilmişdir. Bu bölgə robotun hərəkət etdiyi dəhlizi müşahidə etmək və yeni maneələri vaxtında aşkarlamaq üçün istifadə olunur.

Təkmilləşdirilmiş A* alqoritmi ənənəvi A*-dan nə ilə fərqlənir?

Təkmilləşdirilmiş A* alqoritmi ənənəvi A*-ın əsas xərc axtarışını saxlayarkən, meyvə bağı naviqasiyasına xas şəkildə maneə künclərindən təhlükəsiz məsafə qoyur, lazımsız aralıq düyünləri çıxarır, maneə sıxlığını evristik xərcə daxil edir və yaradılmış yolu kinematik baxımdan daha hamar edir. Beləliklə, yalnız ən qısa həndəsi əlaqənin deyil, real tırtıllı robotun daha təhlükəsiz və daha az kəskin dönüşlə izləyə biləcəyi istinad yolunun yaradılması nəzərdə tutulur.

Ənənəvi A* xərc funksiyası

A* alqoritminin əsas qiymətləndirmə funksiyası belədir:

\[ f(n)=g(n)+h(n) \]

Burada \(g(n)\) başlanğıc nöqtəsindən cari \(n\) düyününə qədər yaranan faktiki xərci; \(h(n)\) cari düyündən hədəfə qalan təxmini xərci; \(f(n)\) isə ümumi qiymətləndirmə xərcini ifadə edir.

Alqoritm hər addımda ən aşağı \(f(n)\) qiymətinə malik düyünlərə üstünlük verərək hədəfə doğru irəliləyir. Lakin yalnız qriddə qısa yol tapmaq real robot təhlükəsizliyi üçün kifayət deyil.

Maneə küncü təhlükəsizlik yoxlaması

Tədqiqatda GMapping qrid ayırdetməsi 0.5 m olaraq müəyyən edilmişdir. Namizəd düyün maneə küncündən bir qrid və ya daha az, yəni ən çox 0.5 m məsafədədirsə, yüksək riskli sayılaraq axtarış siyahısından çıxarılır.

Optimallaşdırılmış yolun maneə künclərindən ən azı iki qrid, təxminən 1 m uzaqda qalması hədəflənmişdir. Bu dəyər tədqiqatda göstərilən 0.8–1.2 m kənd təsərrüfatı maşını təhlükəsizlik tələbi və robotun 0.862 m eni nəzərə alınaraq seçilmişdir.

Bu dəyişiklik xüsusilə dönüş nöqtələrində vacibdir. Qriddə riyazi baxımdan boş görünən xana real robotun eni və ağac budaqları nəzərə alındıqda təhlükəsiz olmaya bilər.

Lazımsız düyünlərin çıxarılması

Ənənəvi A* tərəfindən yaradılan yol çoxsaylı kiçik istiqamət dəyişmələri ehtiva edə bilər. Bu vəziyyət tırtıllı nəqliyyat vasitəsində həm dönüş sayını, həm də enerji sərfini artıra bilər.

Təkmilləşdirilmiş üsulda ardıcıl yol hissələrinin meylləri qiymətləndirilir. Aradakı düyün istiqamət məlumatını dəyişmirsə və ya birbaşa əlaqə maneə ilə kəsişmədən qurula bilirsə, həmin düyün çıxarıla bilər. Beləliklə, robotun izləməli olduğu waypoint sayı və dönüş miqdarı azalır.

Maneə sıxlığını ehtiva edən evristik funksiya

Tədqiqatda təkmilləşdirilmiş xərc funksiyası belə müəyyən edilmişdir:

\[ f(n)=w\,g(n)+\left(1-\log(P)\right)h(n) \]

Burada \(P\) cari düyünlə hədəf arasındakı axtarış dəhlizində maneə sıxlığını; \(w\) isə faktiki yol xərci ilə maneə sıxlığına həssas evristik xərc arasındakı tarazlığı müəyyən edən statik əmsalı ifadə edir.

Tədqiqatçılar \(w\) üçün 0.3–0.6 aralığını sınaqdan keçirmiş və öz təcrübə şəraitlərində \(w=0.4\) qiymətindən istifadə etmişlər.

Maneə sıxlığı \(P\), cari düyünlə hədəf arasındakı istinad xəttinin ətrafında dörd qrid, yəni təxminən 2 m enində axtarış dəhlizi yaradılaraq hesablanır:

\[ P=\frac{N_{\mathrm{obs}}}{N_{\mathrm{total}}} \]

\(N_{\mathrm{obs}}\) dəhlizdəki dolu qridlərin, \(N_{\mathrm{total}}\) isə qiymətləndirilən ümumi qridlərin sayıdır. GMapping doluluq ehtimalında %70-dən yuxarı xanalar maneə, %30-dan aşağı xanalar boş kimi təsnif edilmişdir.

Üçmərhələli yol hamarlaması

İlkin A* yolu yaradıldıqdan sonra tədqiqat üçmərhələli təkmilləşdirmə tətbiq edir:

1. Bresenham yoxlaması: iki mühüm düyün arasındakı düz xəttin maneə ilə kəsişib-kəsişmədiyi yoxlanılır və lazımsız aralıq düyünlər çıxarılır.
2. Kubik splayn interpolyasiyası: kəskin künclər əvəzinə törəmə davamlılığı olan daha hamar yol yaradılır.
3. Əyrilik məhdudiyyəti optimallaşdırması: robotun izləməkdə çətinlik çəkəcəyi qəfil əyrilik dəyişmələri azaldılır.

İlkin optimallaşdırmadan sonra yol düyünləri belə ifadə olunur:

\[ P=\{(x_1,y_1),(x_2,y_2),\ldots,(x_n,y_n)\} \]

Hər düyün üçün yolun başlanğıcından etibarən kumulyativ qövs uzunluğu hesablanır:

\[ t_1=0 \]

\[ t_k=\sum_{i=2}^{k}\sqrt{(x_i-x_{i-1})^2+(y_i-y_{i-1})^2} \]

Bu parametr iki koordinat komponenti üçün hissə-hissə kubik funksiyaların qurulmasında istifadə olunur:

\[ x=S_x(t), \qquad y=S_y(t) \]

Splayn hissələri düyünlərdə yalnız mövqecə birləşmir; birinci və ikinci törəmələrin davamlılığı da qorunur. Beləliklə, yol istiqamətinin və əyriliyinin qəfil sıçrayışlar göstərməməsi nəzərdə tutulur.

Daha sonra yol üzərində seçmə sıxlığı \(m=5n\) olacaq şəkildə yeni nöqtələr hesablanır və ümumi əyrilik kvadratını azaltmağa yönəlmiş optimallaşdırma tətbiq olunur:

\[ \min \sum_{i=2}^{n-1} k_i^2 \]

Düz yol hissəsində \(k_i\) kiçik olduğu halda, kəskin dönüşlərdə böyüyür. Buna görə də bu məqsəd funksiyasının azaldılması tırtıllı robot üçün daha hamar hərəkət həndəsəsi yaratmağa kömək edir.

DWA dinamik maneələrdən yayınmanı necə təmin edir?

Dynamic Window Approach robotun çata biləcəyi xətti və bucaq sürəti kombinasiyalarını qısa proqnoz üfüqü boyunca simulyasiya edir və hər namizəd hərəkəti hədəf istiqamətlənməsi, maneə məsafəsi və sürət baxımından qiymətləndirərək tətbiq oluna bilən yerli sürət əmri seçir. Bu tədqiqatda DWA, LiDAR qlobal A* yolunda olmayan yeni maneə aşkarladıqda işə düşərək robotu müvəqqəti olaraq qlobal yoldan yayındırır, maneənin ətrafından təhlükəsiz məsafədə keçirir və sonra yenidən istinad yoluna qoşur.

Robotun hərəkət modeli

Tırtıllı diferensial ötürücülü platformanın qısa zaman intervalındakı hərəkəti aşağıdakı tənliklərlə modelləşdirilir:

\[ x_{t+\Delta t}=x_t+v\Delta t\cos(\theta_t) \]

\[ y_{t+\Delta t}=y_t+v\Delta t\sin(\theta_t) \]

\[ \theta_{t+\Delta t}=\theta_t+\omega\Delta t \]

Burada \(v\) xətti sürət, \(\omega\) bucaq sürəti, \(\theta\) robotun istiqamətlənməsi, \(\Delta t\) isə qısa proqnoz zaman intervalıdır.

Bu müddətdə qət ediləcək təxmini xətti məsafə:

\[ \Delta S=v\Delta t \]

kimi hesablanır.

DWA qiymətləndirmə funksiyası

Namizəd hərəkətlərin qiymətləndirilməsində tədqiqat aşağıdakı ümumi quruluşdan istifadə edir:

\[ G(v,\omega)=\sigma\left[ \alpha\,heading(v,\omega) +\beta\,dist(v,\omega) +\gamma\,velocity(v,\omega) \right] \]

\(heading(v,\omega)\) proqnozlaşdırılan hərəkətin hədəf istiqaməti ilə uyğunluğunu; \(dist(v,\omega)\) proqnozlaşdırılan yol ilə ən yaxın maneə arasındakı məsafəni; \(velocity(v,\omega)\) isə xətti sürət komponentini göstərir.

Bu quruluş eyni anda üç tələbi tarazlayır: hədəfə yönəlmək, maneədən təhlükəsiz məsafədə qalmaq və lazımsız yerə çox aşağı sürətlə hərəkət etməmək.

DWA parametrləri

Həssaslıq təcrübələrində \(\alpha\) qiymətinin 0.3-dən aşağı enməsi U formalı ağac boşluqlarında yerli minimum problemlərini artırdığı halda, 0.5-dən yuxarı qalxması yol uzunluğunu artırmışdır. \(\beta=0.5\) tədqiqatda təhlükəsizlik məsafəsi ilə reaksiya müddəti arasında uyğun tarazlıq yaratmışdır. Proqnoz üfüqünün 0.8 s seçilməsi isə LiDAR seçmə ritmi ilə real vaxt hesablama yükü arasında tarazlıq yaratmışdır.

A*-DWA-nın “yayın–qaçın–geri qayıt” mexanizmi

Sistemin əsas iş axını belədir:

1. Təkmilləşdirilmiş A* başlanğıcdan hədəfə qlobal istinad yolu yaradır.
2. Robot bu yolu izləyir.
3. LiDAR xəritədə olmayan yeni maneə aşkarlayır.
4. DWA mövcud sürət fəzasındakı təhlükəsiz trayektoriyaları qiymətləndirir.
5. Robot müvəqqəti olaraq qlobal yoldan yayınır.
6. Maneənin ətrafından uyğun təhlükəsizlik məsafəsi ilə keçir.
7. A* tərəfindən müəyyən edilmiş ümumi hədəf istiqamətini qoruyur.
8. Maneə keçildikdən sonra qlobal istinad yoluna yenidən qoşulur.

Bu əməkdaşlıq xüsusilə iki ayrı alqoritm problemini hədəfləyir: qlobal A* dinamik maneələri görə bilmədiyi halda, yalnız DWA ilə işləyən sistemlər U formalı və ya oxşar yerli dalanlarda hədəf istiqamətini itirə bilər.

Tədqiqatın metodu və nəticələri

Simulyasiya infrastrukturu

Təkmilləşdirilmiş A* qlobal planlaşdırıcısı Matlab 2023b üzərində sınaqdan keçirilmişdir. Ənənəvi A*, Bidirectional Adaptive A*, Obstacle-Density-Weighted A*, Bézier-Smoothed A* və tədqiqatçıların hazırladığı A* daxil olmaqla beş yanaşma sadə, orta və mürəkkəb maneə xəritələrində müqayisə edilmişdir.

Qiymətləndirmə meyarları:

• dönüş sayı,
• yol uzunluğu,
• genişləndirilmiş düyün sayı,
• hesablama müddəti.

Mənbənin mətn təhlilində təkmilləşdirilmiş A* üçün sadə, orta və mürəkkəb şəraitlərdə müvafiq olaraq 2, 5 və 11 dönüş göstərilsə də, Table 1-də orta ssenari üçün 8 dönüş göstərilir. Mənbədaxili bu fərq səssizcə düzəldilməməlidir. Verianla baxımından cədvəl source-of-truth kimi qəbul edildikdə orta ssenari qiyməti 8 olaraq saxlanmış; mənbə mətnindəki 5 ifadəsi isə ayrıca redaksiya uyğunsuzluğu kimi qeyd edilmişdir.

Gazebo-ROS1 maneədən yayınma təcrübələri

Mühitdə bağlarda rast gəlinə biləcək üç təmsilçi maneədən istifadə edilmişdir:

• 0.6 × 0.4 × 0.3 m meyvə yeşiyi,
• təxminən 1.7 × 0.7 m insan/işçi maneəsi,
• 0.05 m diametrli və 1.2 m uzunluğunda taxta çubuq.

Əlavə Gazebo-ROS1 simulyasiyalarında ümumilikdə 45 sınaq keçirilmişdir.

Eyni simulyasiya şəraitində ənənəvi A* üçün bildirilən maneədən yayınma uğur nisbəti %72–78, reaksiya müddəti təxminən 1.03–1.23 s və minimum təhlükəsizlik məsafəsi 0.36–0.42 m aralığındadır.

Real robot platforması

Real sahə sınağı

Sahə təcrübəsi 14 İyul 2025-ci ildə “Xinli No. 7” armud bağında aparılmışdır. Bağ 1.2 hektardır. Təcrübə üçün üç ağac cərgəsini əhatə edən təxminən 500 m² alt sahə istifadə edilmişdir. Mərkəzi naviqasiya dəhlizinin eni təxminən 3–4 m-dir. Sınaq zamanı havanın açıq və ətraf temperaturun 32 °C olduğu bildirilmişdir.

Robot əvvəlcə GMapping ilə bağın lazer SLAM xəritəsini yaratmış, sonra AMCL ilə xəritədəki mövqeyini qiymətləndirərək naviqasiya təcrübələrini aparmışdır.

Real sahə tədqiqatında ənənəvi A* və A*-DWA üçün altı təkrarlı yürüş edilmiş; müxtəlif maneə yerləşdirmələri ilə ümumilikdə 36 etibarlı sahə təcrübəsi bildirilmişdir.

A*-DWA sahə sınaqlarında nə qədər yaxşılaşma təmin etdi?

“Xinli No. 7” armud bağındakı təcrübələrdə A*-DWA ənənəvi A* ilə müqayisədə enerji sərfi, yanal yol izləmə xətası, dönüş sabitliyi, maneədən yayınma reaksiya müddəti və təhlükəsizlik məsafəsində daha yaxşı göstəricilər vermişdir. Ən nəzərəçarpan nəticələrdən biri dönüş zamanı pik yanal yayınmanın 0.40 m-dən 0.14 m-ə enməsi, digəri isə enerji sərfi nisbətinin %23-dən %13-ə azalmasıdır.

Pik dönüş yayınmasının 0.40 m-dən 0.14 m-ə enməsi təxminən %65 azalmaya uyğundur. Qlobal yanal yayınmanın standart sapması 0.061 m-dən 0.029 m-ə enərək təxminən %52.5 azaldığı halda, dönüş bölgəsindəki standart sapma 0.162 m-dən 0.045 m-ə geriləmişdir.

Real bağda maneədən yayınma

A*-DWA-nın real sahə təcrübələrində qoruduğu 1.05–1.12 m minimum maneə məsafəsi tədqiqatçıların istifadə etdiyi 0.8–1.2 m kənd təsərrüfatı maşını təhlükəsizlik aralığındadır. Ənənəvi A* üçün ölçülmüş 0.35–0.41 m qiymətləri isə bu eksperimental tələbdən xeyli aşağıdır.

Enerji sərfi niyə azalmış ola bilər?

Mənbə məlumatları A*-DWA yolunda dönüş sayının dörd əvəzinə ikiyə, yol uzunluğunun 820 m-dən 813 m-ə və ümumi hərəkət müddətinin 1210 s-dən 1050 s-ə endiyini göstərir. Bu dəyişikliklər lazımsız düyünlərin çıxarılması və daha hamar yol həndəsəsinin enerji sərfindəki azalma ilə birlikdə meydana gəldiyini göstərir. Lakin təcrübə bu amillərin müstəqil enerji töhfələrini ayrı-ayrılıqda ölçmədiyindən, %10-luq enerji fərqinin hamısını tək mexanizmlə əlaqələndirmək düzgün deyil.

Tədqiqatın dəstəklədiyi nəticələr

• Təkmilləşdirilmiş A* sınaqdan keçirilmiş bağ xəritələrində maneələrdən daha təhlükəsiz məsafədə yol yarada bilir.
• Lazımsız düyünlərin azaldılması və yolun hamarlanması araşdırılan şəraitdə dönüş və yol izləmə yayınmalarını azaltmışdır.
• DWA statik qlobal yolda sonradan yaranan maneələr üçün real vaxtda yerli yayınma təmin edə bilmişdir.
• A*-ın qlobal hədəf məlumatı DWA-nın yerli minimum problemini azaltmaq üçün istifadə edilmişdir.
• Gazebo-ROS1 simulyasiyalarında və real armud bağı sınaqlarında sistem araşdırılan maneələri uğurla keçmişdir.
• Real sahə sınağında enerji sərfi nisbəti, yanal yayınma və naviqasiya müddəti ənənəvi A* ilə müqayisədə azalmışdır.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• %100 maneədən yayınma nisbəti bütün bağlar və bütün şərait üçün təminat demək deyil.
• Tədqiqat çox yüksək sürətli hərəkətli maneələr üzərində geniş yoxlama təqdim etmir.
• LiDAR qavraması obyektin növünü bütün şəraitdə etibarlı şəkildə təsnif etdiyini göstərmir.
• Sistemin müxtəlif ağac növlərində, cərgə həndəsələrində, maili torpaqlarda və ya ağır hava şəraitində eyni performansı göstərəcəyi təsdiqlənməmişdir.
• Bu tədqiqat tam avtonom meyvə yığımı sisteminin hamısını təsdiqləmir; naviqasiya qatına yönəlir.
• A*-DWA-nın bütün robotik yol planlaşdırma alqoritmlərindən universal şəkildə üstün olduğu nəticəsinə gəlmək olmaz.

Məhdudiyyətlər və gələcək tədqiqatlar

Tədqiqatçılar qavrama qatının LiDAR ağırlıqlı olmasını əsas məhdudiyyətlərdən biri kimi göstərirlər. LiDAR ətraf mühitin həndəsəsini güclü şəkildə ölçsə də, maneənin semantik növünü ayırd etmək qabiliyyəti məhduddur.

Gələcək tədqiqatlarda LiDAR ilə RGB-D kameranın birləşdirilməsi, yüksək sürətli dinamik maneələr üçün DWA proqnoz üfüqünün təkmilləşdirilməsi və naviqasiya sisteminə meyvə yığımı son effektorlarının əlavə edilməsi təklif olunur.

Bu istiqamət tədqiqatın bugünkü nəticəsinin tam avtonom məhsul yığımı sistemi deyil, təhlükəsiz və aşağı xərcli bağ robotu naviqasiyası üçün təsdiqlənmiş əsas olduğunu göstərir.

Mənbə və metod qeydi

Orijinal başlıq: An A*-DWA Algorithm Enhanced Laser SLAM System for Orchard Navigation: Design and Performance Analysis

Müəlliflər: Hongsen Wang, Xiuhua Zhang, Zheng Huang, Yongwei Yuan, Degang Kong və Shanshan Li

Məsul müəllif: Xiuhua Zhang

Qurumlar: College of Mechanical and Electrical Engineering, Hebei Agricultural University; Hebei Intelligent Agriculture Technology Innovation Center, Baoding, Çin.

Jurnal: Agriculture

Nəşriyyat: MDPI

Cild / say / məqalə: 16(4), 469

Nəşr tarixi: 18 Fevral 2026

DOI: 10.3390/agriculture16040469

Mənbə növü: Resenziyalı orijinal tədqiqat məqaləsi.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Hebei Agriculture Research System (HARS), Grant No. HBCT2024170207.

Məlumatların əlçatanlığı: Müəlliflər tədqiqatın orijinal töhfələrinin məqalədə yer aldığını, əlavə sualların məsul müəllifə yönəldilə biləcəyini bildirirlər.

Maraqların toqquşması: Müəlliflər maraqların toqquşmasını bildirməmişlər.

Təcrübə növü: Matlab əsaslı qlobal yol planlaşdırma simulyasiyaları; Gazebo-ROS1/Rviz maneədən yayınma simulyasiyaları; real tırtıllı robotla armud bağında sahə yoxlaması.

Sahə: “Xinli No. 7” armud bağı; təxminən 1.2 hektar ümumi sahə və təcrübə üçün təxminən 500 m² alt bölgə.

Əsas sensor: RoboSense 16 xətli LiDAR.

Xəritələşdirmə: GMapping.

Mövqeləndirmə: AMCL.

Qlobal planlaşdırma: maneə-künc təhlükəsizlik yoxlaması, lazımsız düyünlərin aradan qaldırılması, maneə sıxlığı ilə çəkilənmiş evristik funksiya və üçmərhələli yol hamarlaması ehtiva edən təkmilləşdirilmiş A*.

Yerli planlaşdırma: bağ şəraitinə kalibrlənmiş Dynamic Window Approach.

Əsas metodoloji məhdudiyyət: Nəticələr müəyyən robot platforması, LiDAR sistemi, armud bağı həndəsəsi və sınaq maneələri şəraitində əldə edilmişdir. Xüsusilə LiDAR-only qavrama və daha sürətli dinamik maneələr üçün mövcud DWA proqnoz quruluşu tədqiqatçılar tərəfindən təkmilləşdirilməli sahələr kimi göstərilmişdir.

Mənbədaxili məlumat qeydi: Qlobal A* simulyasiya nəticələrinin nəqli hissəsində orta mürəkkəblikli ssenari üçün dönüş sayı 5 göstərildiyi halda, Table 1-də təkmilləşdirilmiş A* üçün qiymət 8 görünür. Mənbədəki bu uyğunsuzluq Verianla tərəfindən səssizcə düzəldilməmiş; cədvəl qiyməti məlumat cədvəlində saxlanmış və fərq açıq şəkildə qeyd edilmişdir.

Verianla təqdimat üsulu: Bu məzmun mənbə akademik məqalənin cümlə-cümlə tərcüməsi və ya yaxın yenidən yazılışı deyil. Mənbədəki alqoritmlər, tənliklər, təcrübə şəraiti, ölçmələr, nəticələr və məhdudiyyətlər elmi məlumat səviyyəsində çıxarılaraq müstəqil azərbaycanca öyrədici quruluşda yenidən təşkil edilmişdir.